Stockholms universitet

Forskningsprojekt Förbättring av tolkningsalgoritmer för maskininlärning

Maskininlärning har utvecklats och införts inom en rad olika områden där kraven på noggrannhet och tolkningsbarhet är höga. Ändå brister tolkningsbarheten i många maskininlärningsmodeller. I det här avhandlingsprojektet undersöks hur algoritmerna kan förbättras.

Genrebild: En robot räcker en blomma till en människa. Foto: Pavel Danilyuk/Pexels.
Maskininlärning handlar om både prestation och tillit mellan människa och maskin. Foto: Pavel Danilyuk/Pexels.

I dag blir det allt vanligare att använda maskininlärning för att generera underlag för viktiga beslut. Det är därför viktigt att modellerna kan förklara vad underlaget bygger på för information.

Syftet med detta projekt är att förbättra tolkningsalgoritmerna i maskininlärningsmodeller som har många olika industriella tillämpningar. Maskininlärning används för att göra stora och avancerade beräkningar, men vi människor måste också kunna lita på de svar vi får.

Det här är Alejandro Kuratomi Hernández avhandlingsprojekt.
Tony Lindgren är handledare, Panagiotis Papapetrou är biträdande handledare.

Projektmedlemmar

Projektansvariga

Tony Lindgren

Enhetschef SAS

Institutionen för data- och systemvetenskap
Tony Lindgren

Panagiotis Papapetrou

Professor, ställföreträdande prefekt

Institutionen för data- och systemvetenskap
Panagiotis Papapetrou

Medlemmar

Alejandro Kuratomi Hernandez

Utbildningsassistent

Institutionen för data- och systemvetenskap
Alejandro Kuratomi Hernandez

Publikationer

Nyheter